李佳男 李琳琳

(1.沈阳理工大学 辽宁沈阳 110159; 2.沈阳开放大学辽宁沈阳 110003)

随着时代的进步，人们对通信网络的需求越来越大，对通信质量的要求也越来越高。在为通信网络设计自适应拥塞控制和主动管理方案上，预测网络流量的行为尤其重要[1]。预测通常依赖于构建随机模型来预测给定历史值的后续时间序列值。传统上，这是通过使用线性模型来实现的。用于时间序列预测的经典线性模型包括自回归（Autoregressive，AR）和自回归滑动平均（Auto-Regressive Moving Average，ARMA）模型等[2-3]。这些模型在大多数报告的情况下适用于平稳时间序列，即统计特性不随时间变化的序列。而通信网络会受到许多外界因素的影响,显示出非线性趋势。这种趋势以及包含的非特定随机因素，很可能会妨碍线性模型的准确预测，所以选择非线性模型更为适合此方面研究。因此，非线性模型的对比选择也成为预测网络流量[4-5]的关键。

1 自相似流量特性与模型选择

测量研究表明：网络流量具有自相似等一系列特性[6]。显著特征就是网络流量中同时存在长程依赖和短程依赖。因此，需要模型来预测具有长期和短期依赖性的流量。而循环神经网络（Recurrent Neural Network，RNN）的记忆功能恰恰符合这一特征,作为非线性模型的同时，RNN 在神经元之间建立联系，与流量相关性特点十分切合，但传统RNN也存在十分严重的问题，即在处理长时间序列时，其梯度在迭代过程中存在趋于0或越来越大[7]的情况，导致网络无法继续训练下去。因此，作为RNN 的一种进化形式，长短期记忆神经网络（Long Short-Term Memory，LSTM）[8-9]更适合网络流量的预测研究。……